HO-2 KTL401 Kecerdasan Buatan Intelligent Agents

1. HO-2 KTL401 Kecerdasan BuatanIntelligent Agents Opim S Sitompul

2. Outline • Agen dan lingkungan • Rasionalitas • PEAS (Performance measure, Environment, Actuators, Sensors) • Jenis-jenis Lingkungan • Jenis-jenis Agen

3. Agent • Agent adalah sesuatu yang dapat mengesan (perceiving) lingkungan (environment) nya melalui sensors dan bertindak (acting) terhadap lingkungan tersebut melalui actuators • Agen manusia: • Sensor: mata, telinga, dan organ tubuh lain; • Actuator: tangan, kaki, mulut, dan bagian tubuh lain • Agen robotik: • Sensor: kamera dan infrared range finders; • Actuator: berbagai macam motor

4. Agent dan lingkungan • Fungsi agen memetakan dari sejarah persepsi ke dalam tindakan (actions): [f: P* A] • Program agen berjalan pada arsitektur fisik untuk menghasilkan f • agen = arsitektur + program

5. Vacuum-cleaner world • Percepts: location and contents, e.g., [A,Dirty] • Actions: Left, Right, Suck, NoOp

6. A vacuum-cleaner agent

7. Agen rasional • Sebuah agen haruslah mengarah kepada “lakukan hal yang benar", berdasarkan kepada apa yang dapat dipahaminya dan tindakan yang dapat dilakukannya. Tindakan yang benar adalah tindakan yang akan menyebabkan agen tersebut paling berhasil • Pengukuran Performance: Sebuah kriteria objektif untuk keberhasilan sebuah perilaku agen • Mis., ukuran performance dari sebuah agen vacuum-cleaner dapat berupa besarnya jumlah debu yang dibersihkan, jumlah waktu yang dihabiskan, jumlah listrik yang dikonsumsi, jumlah kebisingan yang dihasilkan, dll.

8. Agen rasional • Agen rasional : Untuk setiap deretan persepsi yang mungkin, sebuah agen rasional hendaklah memilih satu tindakan yang diharapkan memaksimalkan ukuran performance-nya, dengan adanya bukti yang diberikan oleh deretan presepsi dan apapun pengetahuan terpasang yang dimiliki agen itu.

9. Agen rasional • Rasionalitas berbeda dari omniscience (tahu segala/all-knowing dengan pengetahuan tak berhingga) • Agen dapat melakukan tindakan untuk memodifikasi persepsi masa depan sedemikian hingga dapat memperoleh informasi yang berguna (pengumpulan informasi, eksplorasi) • Sebuah agen adalah otonom (autonomous) apabila perilakunya ditentukan oleh pengalamannya sendiri (dengan kemampuan belajar dan beradaptasi)

10. PEAS • PEAS: Performance measure, Environment, Actuators, Sensors • Pertama-tama harus menentukan pengaturan untuk desain agen cerdas • Pertimbangkan, mis., tugas merancang supir taksi otomatis: • Performance measure: Aman, cepat, legal, perjalanan menyenangkan, maksimumkan keuntungan • Environment: Jalan, trafik lain, pejalan kaki, pelangan • Actuators: Kemudi, gas, rem, lampu sign, horn • Sensors: Kamera, sonar, speedometer, GPS, odometer, engine sensors, keyboard

11. PEAS • Agen: Sistem pendiagnosa medis • Performance measure: Pasien sehat, biaya minimal, sesuai aturan/hukum (lawsuits) • Environment: Patient, hospital, staff • Actuators: Screen display (questions, tests, diagnoses, treatments, referrals) • Sensors: Keyboard (entry of symptoms, findings, patient's answers)

12. PEAS • Agent: Robot pengutip-sukucadang • Performance measure: Persentase sukucadang dalam kotak yang benar • Environment: ban berjalan dengan sukucadang, kotak • Actuators: Pergelangan dan tangan tersambung • Sensors: Kamera, joint angle sensors

13. PEAS • Agen: Tutor Bahasa Inggeris Interaktif • Performance measure: Memaksimalkan nilai mahasisa pada waktu ujian • Environment: Sekumpulan mahasiswa • Actuators: Layar display (exercises, suggestions, corrections) • Sensors: Keyboard

14. Jenis-jenis Lingkungan • Fully observable (vs. partially observable): Sensor-sensor sebuah agen memberinya akses ke keadaan lengkap lingkungannya pada setiap jangka waktu. • Deterministic (vs. stochastic): Keadaan lingkungan berikutnya sepenuhnya ditentukan oleh keadaan sekarang dan tindakan yang dilaksanakan oleh agen. (Jika lingkungan itu deterministik kecuali untuk tindakan agen-agen lain, maka lingkungannya adalah strategic) • Episodic (vs. sequential): Pengalaman agen dibagi kedalam "episode-episode" atomik (setiap episode terdiri dari si agen memahami (perceiving) dan kemudian melaksanakan satu tindakan, dan pilihan tindakan dalam tiap episode hanya tergantung pada episode itu sendiri.

15. Jenis-jenis Lingkungan • Static (vs. dynamic): Lingkungan tidak berubah selagi agen direncanakan (deliberating). (Lingkungan adalah semidynamic jika lingkungan itu sendiri tidak berubah dengan berjalannya waktu tetapi skor performa agen berubah) • Discrete (vs. continuous): Sejumlah terbatas persepsi dan tindakan yang khas dan terdefinisi baik. • Single agent (vs. multiagent): Sebuah agen yang mengoperasikan dirinya sendiri dalam sebuah lingkungan.

16. Jenis-jenis Lingkungan • Jenis lingkungan sangat menentukan rancangan agen • Dunia nyata (tentu saja) partially observable, stochastic, sequential, dynamic, continuous, multi-agent

17. Struktur Agen • Perilaku agen: tindakan yang dilakukan setelah diberikan sembarang sekuen persepsi. • Tugas AI adalah merancang program agen yang mengimplementasikan fungsi agen yang memetakan persepsi ke tindakan • Diasumsikan program ini berjalan di beberapa alat komputasi yang dilengkapi sensors dan actuators (disebut arsitektur) • Agent = arsitektur + program • Program yang dipilih harus sesuai dengan arsitektur tersebut. • Cth: Action: Walk  arsitekturnya hendaklah memiliki kaki

18. Program-Program Agen • Empat jenis dasar untuk menambah generalitas: • Simple reflex agents • Model-based reflex agents • Goal-based agents • Utility-based agents

19. Table-driven agent

20. Table-driven agent • Kekurangan: • Tabel sangat vesar • Misalkan P himpunan percepts yang mungkin • T lifetime agen • Entri table lookup: • Automated taxi: • rate visual input: 27MB/Sec (30 frame/sec, 640x480 pixel dengan 24 bit color information) • Table lookup: 10250,000,000,000 • Memakan waktu lama untuk membangun tabel • Tidak Otonom • Bahkan dengan pembelajaran, memerlukan waktu yang lama untuk mempelajari entri tabel

21. Simple reflex agents • Contoh:

22. Simple reflex agents

23. Simple Reflex Agent

24. Model-based reflex agents

25. Model-based reflex agents

26. Goal-based agents

27. Utility-based agents

28. Learning agents